Analyses de données basées sur les données ou basées sur les connaissances vs data science jen étrier comment acheter des bitcoins avec une carte de débit

J’ai eu une conversation intéressante avec un de mes clients. Par le biais de mon entreprise Data Relish, je dirige le programme Data Science depuis un certain temps et j’utilisais Team Data Science Process comme épine dorsale de mon leadership. Je sens que je me bats pour le bon combat pour les données, et j’aime faire participer les autres à travers le processus. C’est formidable de voir les gens grandir, et obtenir de véritables idées et des améliorations de la transformation numérique basées sur ces idées.

Les projets de science des données sont difficiles, cependant, et tout dépend des attentes. Dans ce cas, mon client était curieux de savoir pourquoi le courant projet de science des données a pris plus de temps que prévu, et ne devraient-ils pas simplement exclure la partie compréhension de l’entreprise du parcours de la science des données?


Les outils d’analyse ne pouvaient-ils pas se nettoyer eux-mêmes ou simplement supprimer toutes les données qui posaient problème?

Lorsque la conversation s’est poursuivie, il est devenu clair qu’une organisation de données différente avait été impliquée dans les conversations à un moment donné. Apparemment, une autre organisation avait dit à mon client qu’ils avaient besoin de Data Analytics plutôt que de Data Science, et que les deux étaient mutuellement exclusifs. L’analyse de données leur donnerait des informations sans impliquer beaucoup, le cas échéant, de connaissances commerciales, d’efforts ou de temps. Ce que mon client a compris d’eux, c’est qu’ils n’avaient pas besoin de faire correspondre les données, de les nettoyer et ainsi de suite; l’analyse de données consistait simplement à analyser des colonnes et des rangées de données afin de voir quelles relations et modèles pouvaient être trouvés dans les données. En substance, le client doit dissocier les connaissances commerciales des données et les données doivent être analysées isolément. L’entreprise et les données ont été considérées comme mutuellement exclusives, et le côté commercial devrait être réduit au silence afin de laisser parler les données. En raison de ces conversations, le client était préoccupé par la durée du projet et souhaitait suivre le chemin de l’analyse des données, mélanger les colonnes, ignorer le nettoyage des données et faire correspondre les sources, et il était absolument certain que les idées tomberait des données. Pour résumer, il y avait quelques choses derrière la conversation:

• les gens d’affaires peuvent facilement être mal orientés par les résultats à la suite de science des données processus, mais sans être critique sur les résultats eux-mêmes. Il semble être suffisant qu’un projet de science des données a été fait; mais pas que c’était juste. Le fait que c’est un science des données projet est en quelque sorte «assez bon».

• Les gens d’affaires peuvent être facilement influencés par la terminologie. Une personne a dit qu’elle se dirigeait vers la science décisionnelle, mais qu’elle ne pouvait pas articuler correctement ce qu’elle était, par rapport à la science des données. C’est un autre blog pour un autre jour, mais il est clair que la terminologie est véhiculée et que les gens ne comprennent pas toujours, ne définissent pas ou ne définissent pas ce que les termes signifient réellement.

Le truc c’est que ce n’est pas la première fois que j’ai cette conversation. Je pense que le fait d’être axé sur les données est quelque peu trompeur, bien que j’admette utiliser le terme moi-même; c’est très hashtaggable, après tout. Je pense qu’une meilleure expression est inspirée par les idées. Si nous supprimons l’interprétation commerciale et que nous jetons simplement des données, nous ne pouvons pas être certains que les résultats sont raisonnables. Comme j’ai répondu pendant cette conversation, si nous mettons des ordures, nous recevons des ordures. Ceci est une expression courante dans l’intelligence d’affaires et l’entreposage de données, et elle s’applique également à science des données. Il doit y avoir un équilibre; nous pouvons être ouverts à de nouvelles idées. Notre expertise métier peut aider à raccourcir le projet en travaillant avec les données – et non contre les données. Il aide à éviter le risque de descendre rabbitholes parce que les données le disent. Les idées de l’entreprise peuvent aider à rendre plus clairs les récits contenus dans les données, tout en étant ouverts à de nouvelles perspectives à partir des données.

Comment ça s’est terminé? Nous avons procédé normalement, et conformément à la Science des données plan que je mettrais en place. Heureusement, il y avait des voix fortes de l’entreprise, qui voulait être inclus à toutes les étapes. Je pense que nous allons de plus en plus vite, en équipe unifiée, tous dans la même direction. Nous devons interroger. Science des données est comme le poisson d’avril, tous les jours; ne crois pas tout ce que tu lis. Sinon, nous ne verrons jamais le bois pour les arbres. Crédit: https://pixabay.com/fr/users/geralt-9301/